.TimeSeriesMLPRegressor

class tslearn.neural_network.TimeSeriesMLPRegressor(hidden_layer_sizes=(100,), activation='relu', *, solver='adam', alpha=0.0001, batch_size='auto', learning_rate='constant', learning_rate_init=0.001, power_t=0.5, max_iter=200, shuffle=True, random_state=None, tol=0.0001, verbose=False, warm_start=False, momentum=0.9, nesterovs_momentum=True, early_stopping=False, validation_fraction=0.1, beta_1=0.9, beta_2=0.999, epsilon=1e-08, n_iter_no_change=10, max_fun=15000)

用于时间序列的多层感知器回归器。

这个类主要是为了重塑数据，以便可以将其输入到scikit-learn的MLPRegressor中。

它接受与MLPRegressor完全相同的超参数，请查看 scikit-learn 文档 以获取参数和属性的列表。

注释

此方法需要一个等长时间序列的数据集。

示例

>>> mlp = TimeSeriesMLPRegressor(hidden_layer_sizes=(64, 64),
...                               random_state=0)
>>> mlp.fit(X=[[1, 2, 3], [1, 1.2, 3.2], [3, 2, 1]],
...         y=[0, 0, 1])  
TimeSeriesMLPRegressor(...)
>>> [c.shape for c in mlp.coefs_]
[(3, 64), (64, 64), (64, 1)]
>>> [c.shape for c in mlp.intercepts_]
[(64,), (64,), (1,)]

方法

fit(X, y)	使用X作为训练数据，y作为目标值来拟合模型
get_metadata_routing()	获取此对象的元数据路由。
get_params([deep])	获取此估计器的参数。
partial_fit(X, y)	使用给定数据进行单次迭代更新模型。
predict(X)	预测提供数据的目标
score(X, y[, sample_weight])	返回预测的决定系数。
set_params(**params)	设置此估计器的参数。
set_score_request(*[, sample_weight])	传递给score方法的请求元数据。

fit(X, y)

使用X作为训练数据，y作为目标值来拟合模型

Parameters:

Xarray-like, shape (n_ts, sz, d)

训练数据。

yarray-like, shape (n_ts, ) or (n_ts, dim_y)

目标值。

Returns:

TimeSeriesMLPRegressor

拟合的估计器

get_metadata_routing()

获取此对象的元数据路由。

请查看用户指南了解路由机制的工作原理。

Returns:

routingMetadataRequest

一个封装了路由信息的MetadataRequest。

get_params(deep=True)

获取此估计器的参数。

Parameters:

deepbool, default=True

如果为True，将返回此估计器及其包含的子对象（如果也是估计器）的参数。

Returns:

paramsdict

参数名称映射到它们的值。

partial_fit(X, y)

使用给定数据进行单次迭代更新模型。

Parameters:

X{array-like, sparse matrix} of shape (n_samples, n_features)

输入数据。

yndarray of shape (n_samples,)

目标值。

Returns:

selfobject

训练好的MLP模型。

predict(X)

预测提供数据的目标

Parameters:

Xarray-like, shape (n_ts, sz, d)

测试样本。

Returns:

array, shape = (n_ts, ) or (n_ts, dim_y)

预测目标的数组

score(X, y, sample_weight=None)

返回预测的确定系数。

决定系数\(R^2\)定义为\((1 - \frac{u}{v})\)，其中\(u\)是残差平方和((y_true - y_pred)** 2).sum()，而\(v\)是总平方和((y_true - y_true.mean()) ** 2).sum()。最佳可能得分为1.0，且可能为负（因为模型可能任意更差）。一个总是预测y期望值的常数模型，忽略输入特征，将获得\(R^2\)得分为0.0。

Parameters:

Xarray-like of shape (n_samples, n_features)

测试样本。对于某些估计器，这可能是一个预计算的内核矩阵或一个形状为(n_samples, n_samples_fitted)的通用对象列表，其中n_samples_fitted是用于估计器拟合的样本数量。

yarray-like of shape (n_samples,) or (n_samples, n_outputs)

X的真实值。

sample_weightarray-like of shape (n_samples,), default=None

样本权重。

Returns:

scorefloat

\(R^2\) 的 self.predict(X) 相对于 y。

注释

在回归器上调用score时使用的\(R^2\)分数从0.23版本开始使用multioutput='uniform_average'，以保持与r2_score()的默认值一致。这影响了所有多输出回归器的score方法（除了MultiOutputRegressor）。

set_params(**params)

设置此估计器的参数。

该方法适用于简单的估计器以及嵌套对象（如Pipeline）。后者具有形式为<component>__<parameter>的参数，以便可以更新嵌套对象的每个组件。

Parameters:

**paramsdict

估计器参数。

Returns:

selfestimator instance

估计器实例。

set_score_request(*, sample_weight: bool | None | str = '$UNCHANGED$') → TimeSeriesMLPRegressor

传递给score方法的请求元数据。

请注意，此方法仅在 enable_metadata_routing=True 时相关（参见 sklearn.set_config()）。 请参阅 用户指南 了解路由机制的工作原理。

每个参数的选项是：

• True: 请求元数据，并在提供时传递给 score。如果未提供元数据，则忽略该请求。

• False: 不请求元数据，元估计器不会将其传递给 score。

• None: 不请求元数据，如果用户提供了元数据，元估计器将引发错误。

• str: 元数据应该使用这个给定的别名传递给元估计器，而不是原始名称。

默认值（sklearn.utils.metadata_routing.UNCHANGED）保留现有的请求。这允许您更改某些参数的请求，而不更改其他参数。

版本1.3中的新功能。

注意

此方法仅在此估计器用作元估计器的子估计器时相关，例如在Pipeline内部使用。否则它没有效果。

Parameters:

sample_weightstr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED

元数据路由用于score中的sample_weight参数。

Returns:

selfobject

更新后的对象。